Articles

  • Découverte de médicament et diagnostic : 18 solutions d’IA pour les maladies rares

    Health and Tech Intelligence vous propose une cartographie des différentes solutions d’IA appliquées aux maladies rares. La cartographie des solutions se concentre sur les solutions déjà utilisées en France ou en Europe.

    11 solutions pour le diagnostic

    Le diagnostic est un défi des maladies rares. 25 % des malades restent en errance entre 5 et 15 ans et consultent au moins 5 médecins avant que leur diagnostic ne soit posé. L’errance diagnostique est généralement synonyme d’errance thérapeutique donc de pertes de chances pour le patient. L’aide au diagnostic via IA peut se faire de plusieurs manières différentes, en entrant les symptômes, en analysant les données d’un génome ou encore par analyse d’images.

    5 solutions de diagnostic à l’aide des symptômes

    L’un des outils d’aide au diagnostic des maladies rares les plus connu est AccelRare. Fruit de la collaboration entre Sanofi et M.I.S (Medical Intelligence Service), son fonctionnement est le suivant: le médecin saisit les symptômes du patient en situation atypique et l’algorithme identifie s’il y a un risque de maladies rares. Le cas échéant AccelRare propose une liste des maladies rares correspondantes, les coordonnées du centre expert associé, et une liste d’examens complémentaires éventuels. 480 tests de l’algorithme d’AccelRare ont été effectués pour une efficacité de 87,7%. Dans le même type d’approche il existe l’application RDK (Rare Disease Knowledge). Issu d’un partenariat public-privé entre Orphanet, As We Know et Tekkare, l’application revendique 6200 maladies rares dans sa bases contre 280 pour Accelrare.

    Une autre possibilité du diagnostic par symptômes, est celle de l’analyse de dossier médicaux. Par exemple l’IA “Docteur Warehouse”, résultat du partenariat entre l’institut Imagine et l’hôpital Necker. Lorsque les médecins observent chez un enfant des symptômes qu’ils n’arrivent pas à expliquer, ils les renseignent sur le logiciel. L’IA va ensuite identifier les patients qui ont précédemment manifestés ces mêmes symptômes. Il cherche ensuite si ces symptômes sont associés à une maladie rare commune à tous ces patients. Cette méthode est assez similaire à celle utilisé par la société Saventic Health implantée en Pologne et en Allemagne.

    2 solutions de diagnostic à l’aide du génome

    80% des maladies rares étant génétiques il n’est pas étonnant de voir l’analyse génomique intervenir dans leur identification. Pour aider à déterminer l’existence d’une maladie rare, l’IA va croiser les données cliniques du patient avec celles du génome séquencé. L’algorithme va ensuite proposer une liste de variations génétiques potentiellement à l’origine des symptômes et indiquer le nom des maladies associées.

    4 solutions de diagnostic l’aide d’images

    L’IA peut également contribuer au diagnostic d’une maladie rare à l’aide d’images médicales. Pour ce faire l’algorithme doit être entrainé avec des bases d’images de personnes malades puis une base d’image de personne saines. Cela lui permet d’élaborer des modèles. Par exemple le CHU de Nantes, en collaboration avec le laboratoire des Sciences du numérique de Nantes, a développé un algorithme pour diagnostiquer la maladie de Crohn. L’algorithme a été entraîné sur deux bases de données. Une base de données publique, GIANA, contenant des images extraites de vidéo-capsule endoscopique (VCE) de personnes saines et des VCE de personnes avec des lésions inflammatoires et vasculaire. Et une seconde base de données, CROHN-IPI, constituée de VCE de personnes saines et avec des lésions de maladies de Crohn. L’algorithme entrainé sur la base GIANA distingue à 99,77% les images pathologiques des images non pathologiques et celui entrainé sur la base CROHN-IPI, a une précision de 80,36%.

    Le diagnostic par image concerne aussi des images de visages. Par exemple l’IA “DeepGestalt” est entrainé avec des visages de personnes atteintes d’une maladie précise et avec des personnes n’étant pas atteintes par cette maladie. Pour certaines maladies rares comme le syndrome de Corneliade Lange le modèle a donné une identification correcte avec une précision de 96,9%, une sensibilité de 95,7% et une spécificité de 100%.

    7 solutions pour la découverte de traitement

    La recherche de traitement est également un enjeu important, on estime qu’aujourd’hui seulement 5% des maladies rares disposent d’un traitement approuvé. L’IA peut aussi aider dans ce domaine. Par exemple l’IA TxGNN est entrainée à l’aide de traitements connus afin d’apprendre les schémas d’interactions entre médicaments et maladies. Grâce à cet apprentissage l’algorithme peut faire des hypothèses sur les médicaments susceptibles de fonctionner. Cette méthode permet d’identifier des connections non évidentes que la méthode classique n’aurait pas forcément envisagée. Les molécules identifiées sont ensuite soumises à des essais cliniques.

    TxGNN ne propose que des médicaments déjà approuvés, mais d’autres solutions, comme celle d’Iktos, propose de créer virtuellement de nouvelles molécules. La technologie d’Iktos repose sur deux algorithmes, un premier chargé de générer les molécules et entrainé sur 86 millions de molécules tirées de la base de données publique ChemBL, et un second chargé de donner un score aux molécules générées par le premier. La notation se fait en fonction des capacités de la molécule à répondre aux critères prédéfinis. Les molécules ainsi évaluées sont ensuite réintroduites dans le premier algorithme avec un poids proportionnel au score obtenu. Les molécules bien notées vont plus influencer le modèle génératif que les autres et ainsi les nouvelles molécules générées auront des propriétés plus proches que lors de la première itération. Les molécules créées vont donc de plus en plus correspondre aux critères choisis. Ce type de modèle peut être très utile quand la recherche classique se trouve dans l’impasse.

    Cartographies des solutions d’IA appliquées aux problématiques de maladies rares en Europe.

  • Europe et maladies rares : vers une recherche plus intégrée et efficace

    Mutualisation des ressources pour une recherche plus efficace

    Les maladies rares, définies par une prévalence inférieure à une personne sur 2 000, se caractérisent par une dispersion géographique des patients et une diversité clinique complexe. Cette réalité rend la constitution de cohortes suffisamment larges pour des études cliniques rigoureuses. La collaboration internationale permet de rassembler un nombre adéquat de cas, essentiel pour valider scientifiquement les approches thérapeutiques. La recherche sur les maladies rares nécessite des investissements substantiels en infrastructures, technologies de pointe et expertise multidisciplinaire. Les partenariats internationaux facilitent la mise en commun de ces ressources, optimisant les efforts et évitant la duplication des travaux. Cette synergie est nécessaire pour accélérer le développement de diagnostics et de traitements innovants.

    La France a été pionnière en lançant des 2005 son premier plan national maladies rares (au nombre de quatre désormais), visant à structurer la recherche et la prise en charge. Ce plan a favorisé la création de centres de référence et de compétences, constituant un réseau national dédié. Ces structures collaborent étroitement avec des plateformes génomiques telles que Génomique Imagine à Paris ou Genomeast à Strasbourg, renforçant les capacités de recherche et de diagnostic.

    Des collaborations entre institutions publiques et entreprises privées sont également essentielles. Par exemple, la Fondation Maladies Rares travaille en partenariat avec des plateformes génomiques et des entreprises de biotechnologie pour développer des outils diagnostiques et thérapeutiques innovants. Ces alliances permettent de combiner expertise académique et savoir-faire industriel, accélérant le transfert des découvertes du laboratoire au patient. Des biotechs comme Fabentech collaborent avec des agences européennes pour développer des contre-mesures médicales, bénéficiant de financements et d’expertises partagés.

    L’Europe joue un rôle dans la structuration et le financement de la recherche sur les maladies rares, en favorisant une approche intégrée et collaborative. Grâce à des initiatives comme l’European Joint Programme on Rare Diseases (EJP RD), qui rassemble 35 pays, ou les Réseaux Européens de Référence (ERN), qui connectent les experts à travers le continent, les efforts de recherche se coordonnent pour accélérer le diagnostic et le développement de traitements. Aussi, le programme EU4Health alloue plusieurs millions d’euros pour améliorer la gestion des données et l’accès aux soins. En parallèle, la Fondation Maladies Rares et des fonds d’investissement dédiés aux biothérapies innovantes soutiennent des projets, notamment dans la génomique et l’intelligence artificielle. Cette dynamique renforce la mutualisation des ressources et l’échange de connaissances.

    Toujours au niveau européen, des initiatives telles que l’ERA-Net E-Rare réunissent plusieurs pays pour financer des projets transnationaux de recherche sur les maladies rares. Ces programmes encouragent la collaboration entre équipes de différents pays, favorisant le partage des connaissances et des ressources. Des infrastructures comme la Base de Données Maladies Rares (BNDMR) en France collaborent avec des centres de référence et de compétences pour centraliser les informations et faciliter la recherche clinique.

    Défis liés aux données : hétérogénéité et accès

    Les données de santé sont collectées selon des protocoles variés, entraînant une hétérogénéité qui peut compliquer leur utilisation conjointe. Cette diversité concerne les formats de données, les méthodologies de collecte et les systèmes de classification. Pour surmonter ces obstacles, des efforts d’harmonisation et de standardisation sont nécessaires. Des initiatives comme Orphanet, un portail dédié aux maladies rares, travaillent à structurer et standardiser les informations pour les rendre plus accessibles et utilisables par la communauté scientifique. L’utilisation d’algorithmes fédérés émerge comme une approche pour analyser des données dispersées sans nécessiter leur centralisation. Cette méthode permet aux algorithmes d’apprendre à partir de données situées dans différents sites. Cette approche est pertinente dans le contexte des maladies rares, où les données sont souvent réparties sur de multiples centres à travers le monde

    Constitution de cohortes : surmonter les défis de l’échantillonnage

    Défis liés à la taille des échantillons : Certaines maladies présentent une prévalence faible, rendant difficile la constitution de cohortes suffisamment larges pour obtenir des résultats statistiquement significatifs. Les collaborations internationales permettent de regrouper les patients de différents pays, augmentant ainsi la taille des échantillons et la pertinence des études. Par exemple, des projets comme RaDiCo en France hébergent plusieurs cohortes dédiées aux maladies rares, couvrant un large éventail de pathologies et facilitant la recherche clinique.

    Harmonisation des protocoles : La collaboration internationale nécessite l’harmonisation des protocoles de recherche pour assurer la comparabilité des données. Des efforts concertés sont déployés pour standardiser les méthodologies de collecte de données, les critères d’inclusion des patients et les procédures d’analyse. Ces initiatives favorisent une intégration plus efficace des données provenant de différentes sources et améliorent la qualité des méta-analyses.

    Financement de la recherche : acteurs et enjeux

    Le financement de la recherche sur les maladies rares provient de diverses sources, incluant des fonds publics, des organisations caritatives et des partenariats public-privé. En France, l’Agence Nationale de la Recherche (ANR) a consacré 16 millions d’euros à des projets axés sur la création de bases de données interopérables pour les maladies rares. En 2024, le Téléthon a permis de récolter 80 millions d’euros. Dernièrement, le PNMR 4 alloue une enveloppe annuelle de 223 millions d’euros jusqu’à 2030 ; 

    • 36 millions d’euros pour le financement des 132 nouveaux centres de référence maladies rares labellisés.
    • 188,7 millions d’euros pour le renforcement des centres de référence et de compétence, dont :
      • 133,6 millions d’euros pour les centres de référence maladies rares.
      • 8 millions d’euros pour les centres sur les maladies hémorragiques rares.
      • 21,2 millions d’euros pour les centres dédiés à la mucoviscidose et aux affections liées à une anomalie de CFTR.
      • 9,7 millions d’euros pour les centres spécialisés en sclérose latérale amyotrophique (SLA) et autres maladies du neurone moteur.
      • 16,2 millions d’euros pour les filières de santé maladies rares (FSMR).

    Financement en Europe :

    Programme « L’UE pour la santé » (EU4Health) : Pour la période 2024-2027, ce programme alloue 15 millions d’euros à une action conjointe impliquant tous les États membres de l’UE. Cette initiative se concentre sur les parcours des patients et la gestion des données relatives aux maladies rares, avec une contribution supplémentaire de 3,75 millions d’euros des États participants.

    European Joint Programme on Rare Diseases (EJP RD) : Lancé en janvier 2019 et coordonné par l’Inserm, ce programme rassemble des partenaires de 35 pays, dont des organismes de recherche, des agences de financement, des hôpitaux et des associations de patients.

    Fondation Maladies Rares : Cette fondation mène une politique scientifique active en lançant 4 à 6 appels à projets par an. Elle finance les équipes de recherche lauréates et leur offre un accès à des technologies innovantes, telles que le séquençage de nouvelle génération et le criblage à haut débit de molécules à potentiel thérapeutique.

    EURORDIS-Rare Diseases Europe : Alliance à but non lucratif regroupant plus de 1 000 organisations de patients atteints de maladies rares dans 74 pays, EURORDIS œuvre pour améliorer la vie de plus de 300 millions de personnes concernées dans le monde. Elle connecte les patients, les familles et les groupes de patients, tout en mobilisant la communauté des maladies rares pour influencer la recherche, les politiques et les services aux patients.

  • IA & Maladies Rares : changer la donne du diagnostic et de la prise en charge

    En moyenne 5 ans pour poser un diagnostic

    Les maladies rares regroupent plus de 7 000 pathologies qui touchent chacune un nombre limité de personnes, avec une prévalence inférieure à 1 cas pour 2 000 individus. En France, on estime qu’environ 3 millions de personnes sont concernées. Malgré leur diversité, ces maladies partagent des problématiques communes : errance diagnostique, manque de traitements spécifiques et défis liés à la coordination des soins. Face à ces enjeux, la France a mis en place une organisation structurée avec 603 centres de référence maladies rares (CRMR), 1708 centres de compétences maladies rares (CCMR) et 23 filières de santé maladies rares (FSMR) permettant une meilleure orientation des patients. Depuis 2005, quatre plans nationaux maladies rares (PNMR) ont été déployés pour renforcer la recherche, améliorer l’accès aux soins et structurer les parcours de prise en charge.

    L’errance diagnostique reste un défi. En moyenne, il faut plus de 5 ans pour obtenir un diagnostic précis, et un patient sur deux reste sans réponse claire. Ce retard peut être préjudiciable, entraînant une dégradation de l’état de santé du patient, une prise en charge inadaptée et un impact psychologique fort. Dans ce contexte, les technologies numériques et l’intelligence artificielle (IA) apparaissent comme des solutions intéressantes pour améliorer la prise en charge, et découvrir de nouveaux traitements.

    Extrait du rapport d’activité 2021 filières de la santé : maladies rares (2022) ministère de la Santé et de la Prévention

     

    L’IA au service des maladies rares, accélérer la recherche et l’accès aux traitements

    L’IA joue donc un rôle dans l’analyse des données de santé, notamment en facilitant le séquençage génomique et en accélérant l’identification des mutations génétiques responsables de maladies rares. Grâce au Plan France Médecine Génomique 2025, les plateformes de séquençage à haut débit, appuyées par des algorithmes d’IA, permettent d’affiner les diagnostics et d’orienter les patients vers les traitements les plus adaptés. De plus, l’IA appliquée à l’imagerie médicale contribue à la détection précoce d’anomalies rares, améliorant la prise en charge des patients. Le numérique impacte également la coordination des soins avec le dossier médical partagé (DMP) et les plateformes collaboratives, facilitant l’échange d’informations entre spécialistes. La télémédecine et la téléexpertise permettent aux patients d’accéder plus rapidement à des avis spécialisés, réduisant les disparités territoriales. En parallèle, les bases de données comme la Banque Nationale de Données Maladies Rares (BNDMR) centralisent les informations cliniques, offrant une meilleure visibilité sur ces pathologies et facilitant la recherche. L’IA favorise le développement de nouveaux traitements, notamment via la recherche en médicaments orphelins et l’optimisation des essais cliniques. En modélisant l’évolution des maladies et en identifiant des cibles thérapeutiques.

    Entre hétérogénéité et accès aux données, coopération internationale et constitution de cohortes européennes, en passant par la recherche en génomique et l’orientation des patients vers des centres de référence, cette étude donne une vue d’ensemble ; de l’écosystème des maladies rares, des solutions et cas d’usage de l’intelligence artificielle, des plans nationaux et de la perception des professionnels de santé.

    @ Health & Tech Intelligence

    Contenu de l’étude :

    L’IA comme nouvel espoir pour le diagnostic et le traitement des maladies rares ?

    Face à des délais d’identification souvent longs et un manque de solutions thérapeutiques pour les personnes atteintes de maladies rares, l’IA s’impose comme un levier pour accélérer la détection de ces pathologies et identifier de nouvelles approches thérapeutiques. Mais son intégration dans la recherche et la pratique médicale soulève encore des défis.

    PNMR : 20 ans d’engagement pour structurer la prise en charge des maladies rares

    Depuis 2005, la France déploie des Plans nationaux maladies rares (PNMR) pour améliorer la prise en charge, le diagnostic et la recherche sur ces pathologies touchant plus de trois millions de personnes. Trois plans successifs ont vu le jour, chacun introduisant des avancées stratégiques pour répondre aux défis médicaux et sociétaux liés à ces maladies peu communes mais aux besoins majeurs.

    Maladies rares : un 4e plan national doté de 223,5 millions d’euros par an pour améliorer le diagnostic et la prise en charge

    La ministre du Travail et de la Santé, Catherine Vautrin a dévoilé ce matin le 4e Plan National Maladies Rares (PNMR4), structuré autour de quatre axes et 26 objectifs. Ce plan, doté d’un budget annuel de 223,5 millions d’euros, vise à renforcer la prise en charge des 3 millions de patients concernés en France, à améliorer le diagnostic et à stimuler l’innovation thérapeutique.

    Découverte de médicament et diagnostic : 18 solutions d’IA pour les maladies rares.

    De la découverte de traitement au diagnostic par analyse du génome, des symptômes ou d’images, l’Intelligence Artificielle (IA) promet de révolutionner la prise en charge des maladies rares. Health and Tech Intelligence publie la cartographie des solutions d’IA appliquées à la problématique des maladies rares utilisées en France et en Europe.

    Revue de littérature : l’impact de l’IA dans la prise en charge des maladies rares entre avancées et défis

    Bien que chaque maladie rare touche un nombre limité de patients, leur diversité et leur complexité posent des défis en matière de diagnostic et de traitement. Grâce à sa capacité à analyser des volumes massifs de données complexes, l’IA permet d’améliorer la détection des biomarqueurs, d’accélérer les diagnostics et de personnaliser les traitements.

    Europe et maladies rares : vers une recherche plus intégrée et efficace

    La lutte contre les maladies rares, qui touchent plus de 3 millions de personnes en France et 25 millions en Europe, repose sur des partenariats internationaux pour mutualiser les ressources, partager les données et surmonter les défis liés à la rareté des patients.

    Maladies rares : 92 % des médecins confrontés au défi du diagnostic (sondage)

    Alors que 92 % des médecins considèrent le diagnostic des maladies rares comme difficile, une étude Ifop pour Sanofi révèle un intérêt croissant pour l’intelligence artificielle (IA) dans ce domaine. Si les praticiens voient dans l’IA un outil prometteur, son usage reste encore limité. Par ailleurs, les médecins souhaitent être accompagnés et formés à ces technologies.

  • Maladies rares : 92 % des médecins confrontés au défi du diagnostic (sondage)

    Des difficultés pour poser un diagnostic

    Selon l’enquête réalisée par l’Ifop pour Sanofi à l’occasion de la Journée Internationale des Maladies Rares, le diagnostic de ces pathologies constitue un véritable défi pour la quasi-totalité des médecins interrogés. En effet, 92 % des praticiens jugent cette tâche difficile, notamment en raison de la variabilité des symptômes (89 %), de la complexité génétique des maladies (86 %), et du manque de temps pour mener des investigations approfondies (83 %). Malgré ces obstacles, 45 % des médecins ont déjà été impliqués dans le diagnostic d’une maladie rare, un taux qui grimpe à 51 % chez les pédiatres. Un quart des praticiens déclarent même avoir diagnostiqué une maladie rare au cours des douze derniers mois.

    Un besoin d’accompagnement et de formation

    Face à ces difficultés, les professionnels de santé expriment un besoin de formation et de soutien. Près de 73 % des médecins souhaiteraient bénéficier d’un meilleur accompagnement dans le diagnostic et la prise en charge des maladies rares, et 59 % estiment qu’ils auraient dû recevoir une formation plus poussée sur ce sujet durant leurs études.

    Ifop pour Sanofi. (2024). Le regard des médecins et des Français sur le recours à l’intelligence artificielle dans les maladies rares.

    L’IA suscite intérêt et espoir

    Si l’intelligence artificielle demeure encore peu exploitée dans le secteur médical, elle suscite un intérêt croissant, en particulier pour les maladies rares. D’après l’étude, 75 % des médecins interrogés se montrent favorables au développement des technologies d’IA en médecine. En revanche, seuls 19 % déclarent avoir déjà utilisé un outil d’IA dans leur pratique professionnelle. Près des deux tiers des médecins (67 %) envisagent cependant de recourir à ces technologies à l’avenir, en particulier pour le diagnostic précoce, l’aide à la décision thérapeutique et l’analyse des données médicales.

    Ifop pour Sanofi. (2024). Le regard des médecins et des Français sur le recours à l’intelligence artificielle dans les maladies rares.

    Vers une adoption plus large pour les maladies rares ?

    L’usage de l’IA pour le diagnostic ou la prise en charge des maladies rares reste encore méconnu, 53 % des médecins interrogés n’en ayant jamais entendu parler. Pourtant, 81 % estiment que ces outils pourraient améliorer la capacité de diagnostic, et 74 % pensent qu’ils pourraient contribuer à une meilleure qualité de vie des patients en permettant un suivi plus personnalisé.

    @ Health & Tech Intelligence : données du sondage Ifop pour Sanofi

     

  • Revue de littérature : l’impact de l’IA dans la prise en charge des maladies rares entre avancées et défis

    Les maladies rares, définies par une prévalence inférieure à 1 cas pour 2 000 individus, concernent plus de 350 millions de personnes mondialement. Leur complexité diagnostique et thérapeutique a trouvé dans l’intelligence artificielle (IA) un allié.

    Cette revue explore les applications actuelles de l’IA dans le domaine des maladies rares, en mettant en lumière ses contributions au diagnostic, au pronostic et au traitement. Elle examine également les défis éthiques et techniques liés à son adoption.

    Evolution historique : une augmentation exceptionnelle du nombre de publications entre 2003 et 2023

    Evolution du nombre de publications entre 2003 et 2023 sur les applications de l’IA dans les maladies rares @ Peiling Ou et al. 2024.

    Dans une étude bibliométrique publiée par Peiling Ou et al., l’analyse de 1501 publications sur deux décennies révèle trois phases distinctes : émergence (2003-2010), consolidation (2011-2018) et accélération exponentielle (2019-2023). Les États-Unis dominent la production scientifique (35,2 %), suivis par l’Allemagne (16,1 %) et la Chine (10,4 %). La France se distingue avec 135 publications (soit 9,23%). Les mots-clés récurrents “mutation”, “diagnostic”, “gestion” reflètent les priorités de recherche, avec un récent glissement vers les biomarqueurs prédictifs et l’exploration de données.

    L’essor des grands modèles fondateurs (foundation models) marque un tournant comme le souligne Voronstov et al. Virchow, modèle de pathologie computationnelle entraîné sur 1,5 million d’images histologiques atteint une probabilité de 0,95 pour la détection pan-cancéreuse, surpassant les modèles spécialisés sur certains sous-types rares comme le lymphome diffus à grandes cellules B. Cette performance s’explique par sa capacité à extraire des motifs morphologiques subtils à partir de coupes histologiques standard, réduisant la dépendance aux marqueurs immunohistochimiques coûteux. L’étude multicentrique de validation du modèle Virchow impliquant 15 000 échantillons, révèle une sensibilité accrue de 18 % par rapport aux pathologistes juniors pour les entités rares. Cependant, la variabilité inter-centres (-7 % de spécificité sans normalisation) souligne l’impératif de standardisation préalable.

    L’aide au diagnostic grâce à l’intégration multi-omique

    L’IA améliore les méthodes de diagnostic en intégrant des données génomiques, transcriptomiques et protéomiques. L’étude de Martin-Hernandez et al. démontre qu’une signature multi-omique de 8 gènes et 4 microARNs prédit la survie globale dans les carcinomes surrénaliens avec une précision inégalée. Les approches non supervisées comme UMINT permettent l’intégration de données single-cell RNA-seq et ATAC-seq, révélant des sous-populations cellulaires clés dans les tumeurs MALT.

    En génétique, les modèles de deep learning analysent les variants des régions UTR avec une précision accrue. Bohn et al. identifient 26 variants pathogènes dans la région 3’UTR grâce à des réseaux de neurones profonds, comblant un vide diagnostique pour 15 % des cas sans mutation codante identifiée.

    Personnalisation thérapeutique et découverte de médicaments

    Les usages de l’IA dans le diagnostic, le pronostic et le traitement des maladies rares. Cette figure illustre comment l’IA intervient dans chaque étape du parcours médical pour les maladies rares, depuis le diagnostic jusqu’à la personnalisation du traitement @ Visibelli et al

    L’IA surmonte les limites des essais cliniques traditionnels inadaptés aux petites cohortes comme le montre Visibelli et al. Le modèle GCAN prédit efficacement les molécules repositionnables pour la maladie de Gaucher en exploitant des réseaux hétérogènes de relations médicament-maladie. Dans la sialidose, l’approche bayésienne d’Assay Central sélectionne in silico des modulateurs pharmacologiques avant validation in vitro, réduisant les coûts de développement de 70 %.

     Récapitulatif des études utilisant de l’IA pour le diagnostic des maladies rares

    Maladie rare Méthodes Type de données Taille de l’échantillon Performance du modèle Références
    Carcinome corticosurrénalien Clustering, RF Données d’expression des ARN messagers (mRNA) 79 ACC : 96 % Marquardt, Andre, et al. “Identifying new potential biomarkers in adrenocortical tumors based on mRNA expression data using machine learning.” Cancers 13.18 (2021): 4671.
    DT Protéines différentiellement exprimées 117 Jang, Han Na, et al. “Mass spectrometry-based proteomic discovery of prognostic biomarkers in adrenal cortical carcinoma.” Cancers 13.15 (2021): 3890.
    Alcaptonurie XGBoost, k-NN Données génétiques, biochimiques, histopathologiques, cliniques, thérapeutiques et scores de qualité de vie (QoL) 129 RAE : 0,25, R² : 0,94 Spiga, Ottavia, et al. “Machine learning application for development of a data-driven predictive model able to investigate quality of life scores in a rare disease.” Orphanet journal of rare diseases 15 (2020): 1-10.
    Clustering – 112 Spiga, Ottavia, et al. “Machine learning application for patient stratification and phenotype/genotype investigation in a rare disease.” Briefings in Bioinformatics 22.5 (2021): bbaa434.
    Sclérose latérale amyotrophique RF, SVM Données métabolomiques 38 (traités), 36 (placebo) TPR : 71,4 %, TNR : 71,4 %, PPV : 71,4 %, NPV : 70 % Blasco, Hélène, et al. “A pharmaco-metabolomics approach in a clinical trial of ALS: Identification of predictive markers of progression.” PLoS One 13.6 (2018): e0198116.
    LASSO, RF Sous-ensemble du dataset PRO-ACT (données de survie et cliniques) 6565 C-index : 0,7355 Huang, Zhengnan, et al. “Complete hazard ranking to analyze right-censored data: An ALS survival study.” PLoS computational biology 13.12 (2017): e1005887.
    RF, XGBoost, BM, DT Sous-ensemble du dataset PRO-ACT 3772 ACC : 71–84,7 % Gordon, Jonathan, and Boaz Lerner. “Insights into amyotrophic lateral sclerosis from a machine learning perspective.” Journal of Clinical Medicine 8.10 (2019): 1578.
    GBoost, SVM Données acoustiques et articulatoires issues de la parole 1832 R² : 0,712, RMSE : 37,562 Wang, Jun, et al. “Automatic prediction of intelligible speaking rate for individuals with ALS from speech acoustic and articulatory samples.” International journal of speech-language pathology 20.6 (2018): 669-679.
    ANN Données cliniques et IRM 135 ACC : 84,4 % van der Burgh, Hannelore K., et al. “Deep learning predictions of survival based on MRI in amyotrophic lateral sclerosis.” NeuroImage: Clinical 13 (2017): 361-369.
    Maladie de Huntington ANN, FLS Données des tests de tapotement des doigts 3032 R² : 0,98, MSE : 0,08 Lauraitis, Andrius, Rytis Maskeliūnas, and Robertas Damaševičius. “ANN and fuzzy logic based model to evaluate huntington disease symptoms.” Journal of healthcare engineering 2018.1 (2018): 4581272.
    SVM, EL Données de neuroimagerie 19 (préHD), 21 (témoins) F1 : 74 % Mason, Sarah L., et al. “Predicting clinical diagnosis in Huntington’s disease: An imaging polymarker.” Annals of neurology 83.3 (2018): 532-543.
    Malformation artérioveineuse cérébrale ANN, SVM, Log Reg Données cliniques et d’imagerie 199 ACC : 97,5 % Asadi, Hamed, et al. “Outcomes and complications after endovascular treatment of brain arteriovenous malformations: a prognostication attempt using artificial intelligence.” World neurosurgery 96 (2016): 562-569.
    Paralysie supranucléaire progressive LASSO, Lin Reg Données d’imagerie 53 R² : 0,892 Chen, Yao-Liang, et al. “Prediction of the clinical severity of progressive supranuclear palsy by diffusion tensor imaging.” Journal of Clinical Medicine 9.1 (2019): 40.
    Variante comportementale de la démence frontotemporale SVM Données cliniques et IRM structurelle 73 ACC : 72–82 %, TPR : 67–79 %, TNR : 77–88 %, AUC : 0.80–0.9 Zhutovsky, Paul, et al. “Individual prediction of behavioral variant frontotemporal dementia development using multivariate pattern analysis of magnetic resonance imaging data.” Journal of Alzheimer’s Disease 68.3 (2019): 1229-1241.
    Anémie de Diamond-Blackfan SVM Données structurelles des mutations faux-sens 29 (positifs), 30 (négatifs) ACC : 95 %, TPR : 90 %, TNR : 98 %, F1 : 94 % An, Ke, et al. “Computational studies of the structural basis of human RPS19 mutations associated with Diamond-Blackfan anemia.” Frontiers in Genetics 12 (2021): 650897.
    Dystrophie musculaire de Duchenne EL Données des capteurs inertiels (accéléromètres) 7 RMSE : 0,017 Pande, Amit, et al. “Machine learning to improve energy expenditure estimation in children with disabilities: a pilot study in Duchenne muscular dystrophy.” JMIR rehabilitation and assistive technologies 3.2 (2016): e4340.
    Cholangite sclérosante primitive GBoost Données cliniques et de laboratoire 509 C-index : 0.90 Eaton, John E., et al. “Primary sclerosing cholangitis risk estimate tool (PREsTo) predicts outcomes of the disease: a derivation and validation study using machine learning.” Hepatology 71.1 (2020): 214-224.
    Lupus érythémateux systémique juvénile RF Données d’immunophénotypage 67 (jSLE), 39 (témoins) ACC : 86·8 % Robinson, George A., et al. “Disease-associated and patient-specific immune cell signatures in juvenile-onset systemic lupus erythematosus: patient stratification using a machine-learning approach.” The Lancet Rheumatology 2.8 (2020): e485-e496.
    Myocardite pédiatrique RF Diagnostiques/procédures issues de la base Kids’ Inpatient Database 7241 CI : 95 % Chou, Fu-Sheng, and Laxmi V. Ghimire. “Identification of prognostic factors for pediatric myocarditis with a random forests algorithm-assisted approach.” Pediatric Research 90.2 (2021): 427-430.
    RF, Log Reg – 4144 -TPR:89.9% Chou, Fu-Sheng, and Laxmi V. Ghimire. “Machine learning for mortality prediction in pediatric myocarditis.” Frontiers in Pediatrics 9 (2021): 644922.

     

    Les enjeux éthiques et techniques persistent

    Gyawal et al. ont montré que l’analyse de 23 modèles d’intelligence artificielle (IA) appliqués aux myopathies congénitales révèle une chute de performance de 15 % lorsqu’ils sont déployés sur des cohortes asiatiques par rapport à des populations européennes. Cette différence s’explique par la sous-représentation des variants génétiques spécifiques aux populations asiatiques dans les bases de données utilisées pour l’entraînement des modèles. La majorité des études génétiques, comme les GWAS (Genome-Wide Association Studies), sont biaisées en faveur des populations européennes, ce qui limite la généralisation des modèles aux minorités ethniques ou aux populations mixées.

    Les réseaux antagonistes génératifs (GANs) offrent une solution prometteuse pour pallier le manque de données dans certaines populations ou pathologies rares comme souligné dans l’étude de Kong et al. Par exemple, une étude utilisant des GANs pour générer des radiographies pulmonaires a démontré une amélioration de 40 % de la précision diagnostique tout en réduisant le besoin en données réelles. Les GANs permettent également de créer des échantillons synthétiques réalistes qui enrichissent les ensembles de données existants, augmentant ainsi la diversité et réduisant le surapprentissage sur des groupes sur-représentés.

    Perspectives : les LLMs pour identifier de nouvelles cibles thérapeutiques

    L’intégration des grands modèles de langage (LLM) ouvre de nouveaux horizons. Watson for Genomics a déjà identifié 42 nouvelles cibles thérapeutiques pour la sclérose latérale amyotrophique (SLA) en analysant 25 000 articles comme le souligne Bakkar et al. Combinés aux données omiques, ces systèmes pourront générer des hypothèses diagnostiques multidimensionnelles réduisant le délai moyen de diagnostic de 5 à 1,2 ans pour la SLA.

    Sur le plan réglementaire, la FDA a approuvé 15 algorithmes pour les maladies rares depuis 2021, dont Paige Prostate (AUC 0,995). Cependant, l’harmonisation des critères d’évaluation et la validation prospective multicentrique restent cruciales pour une adoption à large échelle.

    Références bibliographiques :

    1. Ou P, Wen R, Shi L, Wang J, Liu C. Artificial intelligence empowering rare diseases: a bibliometric perspective over the last two decades. Orphanet J Rare Dis. 2024 Sep 13;19(1):345. doi: 10.1186/s13023-024-03352-1. PMID: 39272071; PMCID: PMC11401438.
    2. Vorontsov E, Bozkurt A, Casson A, Shaikovski G, Zelechowski M, Severson K, Zimmermann E, Hall J, Tenenholtz N, Fusi N, Yang E, Mathieu P, van Eck A, Lee D, Viret J, Robert E, Wang YK, Kunz JD, Lee MCH, Bernhard JH, Godrich RA, Oakley G, Millar E, Hanna M, Wen H, Retamero JA, Moye WA, Yousfi R, Kanan C, Klimstra DS, Rothrock B, Liu S, Fuchs TJ. A foundation model for clinical-grade computational pathology and rare cancers detection. Nat Med. 2024 Oct;30(10):2924-2935. doi: 10.1038/s41591-024-03141-0. Epub 2024 Jul 22. PMID: 39039250; PMCID: PMC11485232.
    3. Marquardt, Andre, et al. “Identifying new potential biomarkers in adrenocortical tumors based on mRNA expression data using machine learning.” Cancers, vol. 13, no. 18, 2021, p. 4671.
    4. Emmert-Streib, Frank, Silvia Bottini, et Leonardo Franco. « Editorial: AI and multi-omics for rare diseases: challenges, advances and perspectives, Volume III ». Frontiers in Molecular Biosciences 11 (2024).
    5. Bohn E, Lau TTY, Wagih O, Masud T and Merico D (2023) A curated census of pathogenic and likely pathogenic UTR variants and evaluation of deep learning models for variant effect prediction.  Mol. Biosci.10:1257550. doi: 10.3389/fmolb.2023.1257550
    6. Visibelli A, Roncaglia B, Spiga O, Santucci A. The Impact of Artificial Intelligence in the Odyssey of Rare Diseases. 2023 Mar 13;11(3):887. doi: 10.3390/biomedicines11030887. PMID: 36979866; PMCID: PMC10045927.
    7. Gyawali, P.K., Le Guen, Y., Liu, X. et al.Improving genetic risk prediction across diverse population by disentangling ancestry representations. Commun Biol 6, 964 (2023).
    8. Kong, HJ., Kim, J.Y., Moon, HM. et al.Automation of generative adversarial network-based synthetic data-augmentation for maximizing the diagnostic performance with paranasal imaging. Sci Rep 12, 18118 (2022).
    9. Bakkar N, Kovalik T, Lorenzini I, Spangler S, Lacoste A, Sponaugle K, Ferrante P, Argentinis E, Sattler R, Bowser R. Artificial intelligence in neurodegenerative disease research: use of IBM Watson to identify additional RNA-binding proteins altered in amyotrophic lateral sclerosis. Acta Neuropathol. 2018 Feb;135(2):227-247. doi: 10.1007/s00401-017-1785-8. Epub 2017 Nov 13.
    10. Jang, Han Na, et al. “Mass spectrometry-based proteomic discovery of prognostic biomarkers in adrenal cortical carcinoma.” Cancers, vol. 13, no. 15, 2021, p. 3890.
    11. Spiga, Ottavia, et al. “Machine learning application for development of a data-driven predictive model able to investigate quality of life scores in a rare disease.” Orphanet Journal of Rare Diseases, vol. 15, 2020, pp. 1-10.
    12. Spiga, Ottavia, et al. “Machine learning application for patient stratification and phenotype/genotype investigation in a rare disease.” Briefings in Bioinformatics, vol. 22, no. 5, 2021, article bbaa434.
    13. Blasco, Hélène, et al. “A pharmaco-metabolomics approach in a clinical trial of ALS: Identification of predictive markers of progression.” PLoS One, vol. 13, no. 6, 2018, article e0198116.
    14. Huang, Zhengnan, et al. “Complete hazard ranking to analyze right-censored data: An ALS survival study.” PLoS Computational Biology, vol. 13, no. 12, 2017, article e1005887.
    15. Gordon, Jonathan, and Boaz Lerner. “Insights into amyotrophic lateral sclerosis from a machine learning perspective.” Journal of Clinical Medicine, vol. 8, no. 10, 2019, p. 1578.
    16. Wang, Jun, et al. “Automatic prediction of intelligible speaking rate for individuals with ALS from speech acoustic and articulatory samples.” International Journal of Speech-Language Pathology, vol. 20, no. 6, 2018, pp. 669-679.
    17. van der Burgh, Hannelore K., et al. “Deep learning predictions of survival based on MRI in amyotrophic lateral sclerosis.” NeuroImage: Clinical, vol. 13, 2017, pp. 361-369.
    18. Lauraitis, Andrius, Rytis Maskeliūnas, and Robertas Damaševičius. “ANN and fuzzy logic based model to evaluate Huntington disease symptoms.” Journal of Healthcare Engineering, vol. 2018 (2018), article ID: 4581272.
    19. Mason, Sarah L., et al. “Predicting clinical diagnosis in Huntington’s disease: An imaging polymarker.” Annals of Neurology, vol. 83, no. 3 (2018), pp. 532-543.
    20. Asadi, Hamed, et al., “Outcomes and complications after endovascular treatment of brain arteriovenous malformations: a prognostication attempt using artificial intelligence.” World Neurosurgery, vol. 96 (2016), pp:562-569

  • L’IA comme nouvel espoir pour le diagnostic et le traitement des maladies rares ?

    Un besoin urgent de solutions pour la détection des maladies rares

    Actuellement, le diagnostic des maladies rares repose principalement sur une combinaison d’analyses génétiques, d’imagerie médicale et d’expertise clinique. Or, ces méthodes restent longues, coûteuses et parfois inefficaces lorsque la maladie en question est peu documentée. Grâce aux progrès du machine learning et de l’analyse des big data, l’intelligence artificielle (IA) semble s’imposer de plus en plus comme un outil clé pour accélérer la détection de ces maladies, affiner les diagnostics et favoriser la recherche de traitements. Dans le cas des maladies rares, cette technologie permet de croiser des millions de données génétiques, cliniques et phénotypiques afin de proposer des hypothèses diagnostiques plus précises et rapides. Son application s’étend également à la recherche thérapeutique et à l’identification de nouvelles cibles thérapeutiques.

    L’IA intervient en facilitant l’interprétation des données issues du séquençage du génome et en permettant l’identification de variants génétiques potentiellement responsables. En 2024, des chercheurs chinois ont introduit RareBench, un banc d’essai conçu pour évaluer systématiquement les capacités des grands modèles de langage (LLMs) dans le diagnostic des maladies rares. Cette étude a mis en évidence le potentiel prometteur de l’intégration des LLMs dans le processus diagnostique clinique des maladies rares, en comparant notamment les performances de GPT-4 à celles de médecins spécialistes. Les résultats suggèrent que ces modèles pourraient servir d’outils d’assistance précieux pour les cliniciens, améliorant ainsi la précision et la rapidité des diagnostics.

    Plusieurs outils déjà déployés :

    L’avénement de l’IA dans la médecine a aussi amené son lot de solutions pour le diagnostic des maladies rares. Plusieurs outils d’IA sont donc déjà déployés ou en cours de déploiement pour améliorer ce diagnostic : c’est le cas par exemple de l’une des applications les plus connues et utilisées en la matière, Face2Gene. Réservée au professionnels de santé, elle est capable de détecter plus de 1000 maladies à partir des photographies de patients. Grâce à des algorithmes de deep learning entraînés sur des dizaines de milliers de photos de patients présentant des caractéristiques associées à des maladies rares, l’outil conçu par la start-up américaine FDNA est désormais capable d’identifier une maladie rare avec un nombre réduit de patients préalablement répertoriés par l’application.

    Un autre outil notable est Dr Warehouse, développé par l’hôpital Necker-Enfants malades. Cet entrepôt de données cliniques se concentre sur l’analyse de documents médicaux non structurés, tels que les comptes rendus hospitaliers. En exploitant des algorithmes avancés de traitement du langage naturel, Dr Warehouse permet le phénotypage automatisé des patients et facilite le diagnostic en identifiant des similarités entre cas cliniques. Cette approche a été évaluée sur un ensemble de données comprenant environ 490 000 patients et 4 millions de comptes rendus, démontrant son efficacité dans la recherche translationnelle sur les maladies rares.

    L’intégration de ces outils dans la pratique clinique vise à améliorer la précision et la rapidité des diagnostics, offrant ainsi aux patients une prise en charge plus adaptée et réduisant l’errance diagnostique. La partie de notre étude consacrée aux solutions d’IA, ainsi qu’aux cas d’usage de l’IA pour les maladies rares est disponible ici.

    Des médecins qui souhaiteraient avoir recours à des outils d’IA :

    Dans une étude publiée par Sanofi en 2024, 92 % des médecins généralistes ont déclaré qu’il était difficile de diagnostiquer une maladie rare, alors que 45 % de ces mêmes praticiens ont déjà été confrontés à un patient atteint d’une de ces pathologies. Face à cette complexité, 73 % des médecins expriment le besoin d’un meilleur accompagnement dans le diagnostic et la prise en charge des maladies rares.

    L’intelligence artificielle apparaît comme une solution prometteuse pour ces professionnels de santé, puisque 81 % d’entre eux estiment qu’elle pourrait améliorer le diagnostic. L’intérêt pour ces outils est manifeste : 67 % des médecins se disent prêts à les utiliser, notamment pour l’aide à la décision (44 %), l’interprétation automatisée des résultats médicaux (43 %) et l’assistance à la prise de décision thérapeutique (40 %).

    Un besoin de trouver des thérapies pour les patients identifiés

    L’autre intérêt de l’IA pour les maladies rares réside dans le développement de traitements adaptés aux patients diagnostiqués. Actuellement, 95 % des maladies rares ne disposent d’aucun traitement spécifique, rendant essentielle l’exploration de nouvelles pistes thérapeutiques. Grâce à l’IA, il est désormais possible d’analyser rapidement d’énormes bases de données pharmaceutiques et génétiques afin d’identifier des médicaments existants qui pourraient être repositionnés pour traiter certaines maladies rares.

    Une révolution dans le repositionnement de médicaments :

    L’un des grands défis des maladies rares est le manque de traitements spécifiques, en raison du faible nombre de patients et du coût élevé des essais cliniques. L’IA joue un rôle clé dans le repositionnement de médicaments, une approche qui consiste à identifier de nouvelles indications pour des médicaments existants.

    Une récente étude publiée en février 2025 dans le New England Journal of Medicine a démontré que l’IA pouvait être un atout majeur dans la recherche de traitements pour les maladies rares. Des chercheurs américians ont utilisé un algorithme d’apprentissage automatique pour analyser 4 000 médicaments existants. Ils ont ainsi identifié l’adalimumab, un anticorps monoclonal initialement utilisé contre l’arthrite et la maladie de Crohn, comme une solution thérapeutique potentielle contre la maladie de Castleman multicentrique idiopathique (iMCD). Les tests en laboratoire ont révélé que cette maladie était associée à une signalisation excessive du facteur de nécrose tumorale (TNF), ce qui a conduit à l’administration de l’adalimumab à un patient en soins palliatifs. Contre toute attente, ce dernier est entré en rémission et son état est resté stable pendant près de deux ans. Ce succès illustre le potentiel de l’IA pour accélérer le repositionnement de médicaments et trouver de nouvelles thérapies pour des maladies rares jusqu’ici sans solution thérapeutique viable.

    Une accélération de l’utilisation de l’IA dans les essais cliniques :

    L’IA permet également d’optimiser la recherche clinique en identifiant plus rapidement des biomarqueurs pertinents et en accélérant la sélection des patients pour les essais cliniques. L’exemple d’AlphaFold, développé par DeepMind, illustre bien cette avancée. Cet outil a permis de prédire la structure de plus de 200 millions de protéines, ouvrant ainsi la voie à la conception de traitements ciblés pour certaines maladies rares.

    L’enjeu majeur reste toutefois l’accès aux bases de données de qualité, indispensables pour entraîner ces algorithmes. La collaboration entre chercheurs, industries pharmaceutiques et centres de soins est donc essentielle pour maximiser le potentiel de l’IA dans la découverte de traitements pour les maladies rares.

    Plusieurs défis restent à relever

    Si l’IA représente un espoir majeur, plusieurs défis restent à surmonter pour en maximiser les bénéfices de son utilisation dans le cadre de la recherche et du diagnostic pour les maladies rares. L’un des enjeux fondamentaux concerne la qualité des données : les bases de données doivent être enrichies et harmonisées afin d’entraîner des modèles plus performants. La confiance des professionnels de santé dans ces nouvelles technologies est également un facteur clé. L’explicabilité des algorithmes doit être améliorée pour garantir leur adoption et éviter les décisions médicales opaques. Enfin, la régulation de l’IA en médecine doit évoluer pour encadrer son utilisation, notamment en ce qui concerne la protection des données personnelles et l’éthique des décisions automatisées. Assurer un cadre juridique et technique fiable est essentiel pour exploiter pleinement le potentiel de l’IA dans le domaine des maladies rares.

     

  • Maladies rares : un 4e plan national doté de 223,5 millions d’euros par an pour améliorer le diagnostic et la prise en charge

    Un maillage territorial renforcé

    L’un des objectifs du plan national maladies rares 4 2025 – 2030 (PNMR4) est l’amélioration du parcours de vie et de soins. À cet effet, la labellisation de 132 nouveaux centres de référence maladies rares a été annoncée, portant le total à 603 centres experts (+28%) répartis sur le territoire. Une enveloppe de 36 millions d’euros a été allouée pour renforcer ces structures et assurer une meilleure coordination entre les soins hospitaliers et de ville. Le plan met également l’accent sur la transition entre les étapes clés de la vie (adolescence, grossesse, vieillissement) et la prise en charge des aidants.

    Un diagnostic plus rapide grâce aux avancées technologiques

    Avec un délai moyen de cinq ans pour identifier une maladie rare, le sujet du diagnostic est essentiel (1 patient sur 2 ne dispose pas d’un diagnostic précis). Le PNMR4 prévoit d’améliorer cette question grâce à l’extension du dépistage néonatal à trois nouvelles pathologies, la généralisation des outils de séquençage génomique et le renforcement des observatoires du diagnostic. Un accent particulier est mis sur l’intégration de la fœtopathologie dans le parcours de soins, ainsi que sur l’utilisation de l’intelligence artificielle pour optimiser l’analyse des données médicales.

    « Plus on détecte vite et tôt une maladie rare, meilleure sera la prise en charge et plus efficace sera le traitement. Et quand je dis tôt, je parle des premiers jours de la vie, avec l’élargissement prévu dans ce PNMR4 de l’un des programmes phare de nos politiques de santé publiques : le dépistage néonatal. Un dépistage précoce qui sera élargi à trois nouvelles pathologies dès cette année ! Je veillerai personnellement à la mise en œuvre rapide et dans tous les territoires de ce renforcement du dépistage néonatal, que j’ai toujours porté et défendu comme ministre, comme député et comme médecin. » Yannick Neuder, ministre chargé de la Santé et de l’Accès aux soins.

    Développer l’innovation et la recherche

    Le PNMR4 met en place un nouveau cadre pour le repositionnement de médicaments existants et le développement de nouvelles thérapies. L’un des axes est le renforcement des biobanques et l’optimisation des bases de données de santé, afin de mieux exploiter les informations issues des essais cliniques et de la recherche génomique. Le programme France 2030 soutiendra ces initiatives, en mettant l’accent sur la médecine de précision et la bioinformatique.

    Une coopération européenne pour une meilleure prise en charge

    Dans une démarche d’intégration européenne, la France joue un rôle dans les initiatives JARDIN et ERDERA, qui visent à améliorer le partage de données et la coordination entre les réseaux de référence européens. Le gouvernement ambitionne d’harmoniser les pratiques diagnostiques et thérapeutiques au niveau continental.

    « Le PNMR4 est l’occasion de travailler à des collaborations plus étroites entre la recherche publique et l’industrie pour transformer les découvertes scientifiques en solutions concrètes pour les patients. » Marc Ferracci, ministre chargé de l’Industrie et de l’Energie.

    Financement : une enveloppe annuelle de 223,5 millions d’euros

    • 36 millions d’euros pour le financement des 132 nouveaux centres de référence maladies rares labellisés.
    • 188,7 millions d’euros pour le renforcement des centres de référence et de compétence, dont :
      • 133,6 millions d’euros pour les centres de référence maladies rares.
      • 8 millions d’euros pour les centres sur les maladies hémorragiques rares.
      • 21,2 millions d’euros pour les centres dédiés à la mucoviscidose et aux affections liées à une anomalie de CFTR.
      • 9,7 millions d’euros pour les centres spécialisés en sclérose latérale amyotrophique (SLA) et autres maladies du neurone moteur.
      • 16,2 millions d’euros pour les filières de santé maladies rares (FSMR).

    D’autres financements incluent :

    • 8,3 millions d’euros pour renforcer les plateformes d’expertise et de coordination Outre-mer maladies rares (PEMR/PCOM).
    • 5,8 millions d’euros pour soutenir les protocoles nationaux de diagnostic et de soins (PNDS) et améliorer le lien ville-hôpital.
    • 2 millions d’euros dédiés aux programmes d’éducation thérapeutique du patient (ETP).
    • 2,3 millions d’euros pour la sensibilisation, information et formation sur les maladies rares.

    Le PNMR4 prévoit aussi des investissements dans la numérisation des parcours de soins, l’intelligence artificielle, et le renforcement des biobanques et bases de données

  • PNMR : 20 ans d’engagement pour structurer la prise en charge des maladies rares

    Les objectifs des PNMR : structurer la prise en charge et renforcer la recherche

    En France, une personne sur deux, atteinte d’une maladie rare ne dispose pas d’un diagnostic précis, et pour plus d’un quart des patients, ce dernier prend plus de cinq ans à être posé. Face à cette errance diagnostique, le pays a développé une organisation spécifique : 109 centres de référence multi-sites (CRMR) et 23 filières de santé maladies rares (FSMR) structurent la prise en charge, la recherche et l’innovation. Depuis 2004, la France, pionnière en Europe, a mis en place des plans nationaux maladies rares pour améliorer l’accès aux soins et à l’expertise médicale.

    Le premier Plan National Maladies Rares (2005-2008) a été initié dans le cadre de la loi de santé publique de 2004. Il visait principalement à structurer la prise en charge des patients, en créant des Centres de Référence Maladies Rares (CRMR) et en renforçant la reconnaissance des spécificités des maladies rares. Parmi les dix axes stratégiques figurent l’amélioration de l’accès aux soins, le soutien à la recherche, le développement de l’information et la formation des professionnels de santé. Le deuxième plan (2011-2016) a consolidé ces bases en introduisant les Filières de Santé Maladies Rares (FSMR), facilitant ainsi la coordination entre CRMR et autres acteurs. L’accent a été mis sur la réduction de l’errance diagnostique et l’accès aux traitements. Le troisième PNMR (2018-2022) s’est inscrit dans une dynamique de renforcement de la recherche et de l’innovation thérapeutique, en s’alignant avec le plan France Médecine Génomique 2025. Il ambitionne notamment de réduire à un an le délai moyen de diagnostic après la première consultation spécialisée. Le 25 février, le PNMR 4 a été présenté par Catherine Vautrin. Avec un budget annuel de 223,5 millions, ce plan vise à renforcer le maillage territorial, d’améliorer encore les diagnostics, développer la recherche et renforcer la coopération européenne.

    Principales recommandations des PNMR successifs

    PNMR1 (2005-2008) : poser les bases d’une organisation nationale

    Création des Centres de Référence Maladies Rares (CRMR) : ces structures spécialisées ont été mises en place pour améliorer l’orientation et la prise en charge des patients atteints de maladies rares.

    • Développement des bases de données et registres : afin d’améliorer la connaissance épidémiologique et faciliter le suivi des patients.
    • Renforcement de la recherche sur les maladies rares et les médicaments orphelins : avec une incitation à la collaboration entre chercheurs et laboratoires pharmaceutiques.
    • Amélioration de l’accès au diagnostic : mise en place de plateformes de diagnostic moléculaire.
    • Information et sensibilisation du public et des professionnels : via des campagnes de communication et la mise en réseau des experts.

    PNMR2 (2011-2016) : structuration et coordination accrues

    • Création des Filières de Santé Maladies Rares (FSMR) : regroupant plusieurs CRMR pour améliorer la coordination des soins et la circulation de l’information.
    • Réduction de l’errance diagnostique : développement de l’expertise génétique et amélioration de l’accès aux examens spécialisés.
    • Accès équitable aux soins : renforcement du parcours de soins pour garantir une prise en charge adaptée sur tout le territoire.
    • Intégration des nouvelles technologies médicales : renforcement des outils de séquençage génétique et du partage des données médicales.
    • Formation continue des professionnels de santé : mise en place de modules spécifiques pour renforcer leurs compétences dans la prise en charge des maladies rares.

    PNMR3 (2018-2022) : innovation et personnalisation des soins

    • Diagnostic plus rapide et précis : ambition de réduire le délai moyen de diagnostic à moins d’un an après la première consultation spécialisée.
    • Développement de nouveaux traitements : renforcement des essais cliniques et mise en place d’un accès facilité aux médicaments orphelins.
    • Prise en charge globale des patients : intégration des besoins psychosociaux, soutien aux aidants et meilleure coordination entre les professionnels de santé.
    • Digitalisation des parcours de soins : développement de la télémédecine, intégration du dossier médical partagé et renforcement des plateformes numériques de suivi.
    • Amélioration des collaborations européennes et internationales : participation accrue aux programmes de recherche et harmonisation des pratiques à l’échelle européenne.

    Comparaison et évolutions entre les PNMR

    Les trois plans successifs ont marqué une progression dans la structuration et l’amélioration de la prise en charge des maladies rares. Si le premier plan a posé les fondements d’une organisation nationale, les suivants ont affiné les dispositifs pour renforcer l’efficacité du parcours de soins et l’accès aux traitements.

    PNMR1 : une structuration initiale : Le premier plan a permis de mettre en place les Centres de Référence Maladies Rares (CRMR), offrant une expertise spécifique et facilitant le diagnostic et le suivi des patients. Il a également lancé les bases d’une recherche coordonnée sur les maladies rares, avec un soutien accru aux médicaments orphelins.

    PNMR2 : une meilleure coordination et une réduction de l’errance diagnostique : L’évolution majeure du deuxième plan a été la mise en place des Filières de Santé Maladies Rares (FSMR), visant à améliorer la coopération entre les CRMR et les autres structures de soins. La réduction de l’errance diagnostique est devenue un objectif prioritaire avec le développement des technologies de séquençage génétique. Par ailleurs, l’accès aux soins a été renforcé grâce à une meilleure prise en charge des coûts et un suivi plus structuré des patients.

    PNMR3 : un virage vers l’innovation et la médecine personnalisée : Le troisième plan a introduit une transformation grâce à l’intégration des nouvelles technologies et de la génomique dans le diagnostic. Le projet France Médecine Génomique 2025 a été une avancée majeure, permettant d’améliorer la précision des diagnostics et d’accélérer l’accès aux traitements. Les outils numériques, tels que la télémédecine et le dossier médical partagé, ont été renforcés pour optimiser la coordination des soins. Un autre axe fort du PNMR3 a été la reconnaissance du rôle des aidants et l’amélioration de leur accompagnement.

    Les grandes évolutions entre les plans

    • Passage d’une organisation centrée sur les CRMR à un réseau structuré avec les FSMR.
    • Réduction progressive du délai de diagnostic, passant de plusieurs années à un objectif d’un an.
    • Intégration croissante des innovations technologiques, notamment en génomique et en télémédecine.
    • Reconnaissance accrue des besoins sociaux des patients et de leurs aidants.
    • Renforcement de la coopération européenne et internationale pour mutualiser les efforts de recherche.
    @ Health & Tech Intelligence

    L’impact du numérique en santé

    L’intelligence artificielle, la télémédecine et les plateformes de données transforment la prise en charge des maladies rares en réduisant l’errance diagnostique et en facilitant l’accès à l’expertise. La médecine génomique permet une identification plus rapide des mutations, tandis que la télémédecine améliore l’accès aux spécialistes, notamment via la téléexpertise. La Banque Nationale de Données Maladies Rares centralise les informations pour favoriser la recherche et optimiser les parcours de soins. Enfin, les biotechnologies et l’IA contribuent au développement de thérapies ciblées, malgré des défis persistants en matière de financement et d’interopérabilité des systèmes.

    Vers une quatrième stratégie nationale

    Avec la fin du PNMR3, les attentes sont nombreuses pour un futur PNMR4. Les enjeux restent centrés sur l’accès aux innovations thérapeutiques, la reconnaissance des besoins sociaux des patients et l’adaptation des parcours de soins face aux avancées scientifiques.

    Évaluation du PNMR3 : des avancées notables mais des défis persistants

    Le PNMR3 (2018-2023) a été évalué par deux institutions distinctes : le HCSP pour le volet “soins” et le HCERES pour le volet “recherche”. L’évaluation a été menée à travers des auditions, des analyses documentaires et des ateliers thématiques. Depuis son lancement en 2018, le PNMR3 a permis une meilleure structuration du parcours de soins des patients atteints de maladies rares. Les Centres de Référence Maladies Rares (CRMR) et les Filières de Santé Maladies Rares (FSMR) ont renforcé leur rôle dans l’orientation et la prise en charge des patients. Cependant, l’évaluation révèle une répartition inégale des structures spécialisées sur le territoire, laissant certaines régions moins bien desservies.

    Un financement à consolider pour pérenniser les avancées

    Le PNMR3 a bénéficié d’un budget annuel de 147,6 millions d’euros, porté à 175 millions en 2023. Ces financements ont permis de soutenir les centres spécialisés et de développer des outils innovants, mais l’évaluation souligne le manque de suivi pluriannuel et l’insuffisance de certains financements face aux ambitions du plan. Pour garantir la soutenabilité du futur PNMR4, les experts recommandent d’anticiper l’augmentation des coûts liés aux nouvelles thérapies et d’assurer une meilleure répartition des ressources entre les différentes structures de soins.

    Diagnostic et accès aux soins : des avancées mais des freins persistants

    L’un des succès majeurs du PNMR3 est la réduction de l’errance diagnostique, grâce au déploiement de la médecine génomique et aux plateformes de diagnostic. Le Plan France Médecine Génomique 2025 a joué un rôle clé dans cette évolution. Malgré ces avancées, certains patients continuent de rencontrer des délais de diagnostic trop longs, notamment en raison d’un manque de coordination entre les acteurs de santé. L’accès aux traitements reste également un défi. L’évaluation met en avant les contraintes réglementaires et budgétaires qui ralentissent l’accès aux médicaments innovants, en particulier les thérapies géniques. Les associations de patients demandent une plus grande flexibilité pour faciliter l’accès aux traitements les plus récents.

    Un nouveau souffle pour les maladies rares avec le PNMR4

    Le Plan National Maladies Rares 2025-2030 (PNMR4) vise à améliorer la prise en charge des 3 millions de patients en France via quatre axes : optimiser le parcours de soins, accélérer le diagnostic, faciliter l’accès aux traitements et renforcer les bases de données. Il prévoit une meilleure coordination ville-hôpital, l’intégration de la génomique et de l’IA pour réduire l’errance diagnostique, ainsi que le développement des thérapies innovantes et des essais cliniques. L’usage des outils numériques, la structuration des biobanques, ainsi que l’implication des centres de référence seront renforcés. Une gouvernance élargie et un financement structuré permettront de mieux coordonner la recherche et les soins à l’échelle nationale et européenne, avec un fort accent sur le partage des données et l’innovation thérapeutique. Ce plan ambitieux ambitionne une prise en charge plus rapide, plus efficace et plus équitable des maladies rares.

    Maladies rares : un 4e plan national doté de 223,5 millions d’euros pour améliorer le diagnostic et la prise en charge (25 février 2025)

     

  • L’IA décrypte la rétine : 50 000 yeux analysés pour détecter les maladies

    Une étude internationale

    Le Walter et Eliza Hall Institute of Medical Research (WEHI) à Victoria, en Australie, a piloté cette étude, exploitant les données d’imagerie de tomographie par cohérence optique (OCT) de 54 000 individus stockées à la UK Biobank. Grâce à un réseau neuronal convolutif, les chercheurs ont produit “l’ensemble de données spatiales de l’épaisseur de la rétine à la plus haute résolution jamais réalisée”, mesurant l’épaisseur rétinienne à plus de 29 000 endroits sur chaque image. L’étude a été menée en collaboration avec le Moorfields Eye Hospital et l’University College London au Royaume-Uni, ainsi que l’Université de Washington aux États-Unis.

    Des résultats pour la santé neurologique et métabolique

    Les conclusions de cette recherche, publiées dans Nature Communications, révèlent un lien fort entre l’amincissement de la rétine et la sclérose en plaques (SEP). Cette confirmation indépendante appuie les études précédentes sur l’utilité de l’OCT comme biomarqueur de la SEP et de sa progression. Au-delà des maladies neurologiques, l’étude souligne également une corrélation entre l’épaisseur rétinienne et divers troubles cardiométaboliques. Les chercheurs ont identifié 294 gènes impliqués dans la croissance et le développement de la rétine, renforçant la compréhension du rôle génétique dans les maladies oculaires et systémiques.

    Vers une amélioration du diagnostic par l’imagerie rétinienne

    Ces avancées ouvrent la porte à l’utilisation de l’imagerie rétinienne pour le dépistage et le suivi de pathologies telles que la démence et le diabète. “Nous avons montré que l’imagerie rétinienne peut agir comme une fenêtre sur le cerveau, en détectant des associations avec des troubles neurologiques comme la sclérose en plaques et de nombreuses autres conditions”, explique le Dr Vicki Jackson, chercheuse principale au WEHI. L’épaisseur rétinienne pourrait ainsi devenir un biomarqueur clé pour le diagnostic et le suivi de nombreuses maladies.

     

  • WhiteLab Genomics et l’Institut de Pharmacologie de Sherbrooke unissent l’IA et la chimie pour la médecine génomique

    Une start-up au cœur de l’innovation

    Fondée en 2019 par David Del Bourgo, Julien Cottineau et Lucia Cinque, WhiteLab Genomics conjugue science des données et biologie pour accélérer le développement de thérapies géniques. Soutenue par Y-Combinator, elle a intégré la première promotion de Future4Care, l’accélérateur dédié à la santé numérique, et a été distinguée par les programmes French Tech Health20 et French Tech 2030. Sa technologie exclusive permet d’optimiser la conception des vecteurs viraux et de réduire les risques liés aux nouvelles thérapies. Suite à une levée de fonds de 10 millions d’euros en 2022, WhiteLab Genomics s’est implantée à Boston et Montréal pour renforcer son expansion internationale.

    Un partenariat scientifique

    Depuis deux mois, WhiteLab Genomics et l’IPS allient IA, modélisation moléculaire et chimie médicinale pour traiter des maladies neurodégénératives telles que la maladie de Parkinson et la sclérose latérale amyotrophique (SLA).

    Une approche itérative et prometteuse

    Sous la direction du Pr Boudreault, en collaboration avec les Prs Michel Grandbois et Philippe Sarret, les peptides développés par WhiteLab Genomics sont testés pour améliorer la fixation des vecteurs sur les cellules cibles. Les données expérimentales alimentent en continu la plateforme d’IA de WhiteLab Genomics, affinant les prédictions et optimisant la conception des peptides.

    Le Pr Boudreault souligne l’impact de cette synergie : “En combinant notre expertise en chimie médicinale avec l’IA avancée de WhiteLab Genomics, nous repoussons les frontières du développement de médicaments. Cette collaboration illustre la puissance des approches interdisciplinaires pour faire avancer la santé.”